神经网络经典计算机,教你在经典计算机上搭建一个量子神经网络，已开源

或者换个方式：我们可以对神经元进行编程，让这个神经元与一组特定的偏好对应。

如果我们只是想要预测下次出门吃什么，我们很容易就能找出神经元的一组权重和偏差。但如果我们要在一个规模齐全的网络上进行同样的预测，那该怎么办？

预测过程可能要耗很长一段时间。

幸运的是，我们不用猜测所需的权重值，只需创建可以改变神经网络参数(比如权重、偏差甚至结构)的算法，以便网络可以学习如何解决问题。

2

“以退为进”

在理想情况下，神经网络的预测应该与输入关联的标记相同。因此，预测与实际输出的差异越小，神经网络所学到的权重就越优秀。

我们用一个损失函数来量化这种差异。损失函数可以采用任何形式，例如二次损失函数(quadratic loss function)：

y(x)是理想输出。当馈送带有参数θ的数据x时， 是神经网络的输出。由于损失始终为非负值，一旦取值接近于0，我们就知道网络已经学会了一个好的参数组。当然，这个过程中可能还会出现其他问题，例如过拟合，但这些可以暂时忽略。

应用损失函数，我们可以找到网络设置的最佳参数是：

因此，我们要做的不是猜测权重，而是在使用参数θ时，应用梯度下降技术将C最小化：

这时，我们需要留意，增加θ_i的值后，损失会如何变化，然后更新θ_i，以使损失稍微降低。η是一个很小的数字，它的变化取决于我们更新θ_i时所做的改变。

为什么η是一个小的数字呢？因为我们可以对它进行调整，以保证在每次更新后，数据x的损失会接近0。在多数情况下，这并不是一个好的解决方法，因为这虽然可以减少当下x的损失，但其他馈送到网络的数据样本很可能会因此而表现较差。

想必现在大家都已掌握了基本的原理，接下来我们来看看要如何构建一个量子神经网络(quantum neural network)。

3

量子神经网络工作原理

首先，我们向网络提供一些数据x，这些数据x通过特征图传递——通过特征图，我们可以将输入的数据转换成某种形式，从而构建输入量子态：

我们使用的特征图可能是任何形式，比如将一个二维向量x变换成一个角。